Kan het succes van AI ons bewust doen kiezen voor groener in plaats van groter?

We leven in een tijdperk waarin kunstmatige intelligentie niet langer een belofte is, maar een realiteit die ons dagelijkse leven doordringt. Van generatieve beeldcreatie op social media over taalmodellen die essays samenvatten in podcasts tot agenten die al zeer goed programmeercode kunnen schrijven: AI zit al verweven in veel van onze dagelijkse handelingen. Maar terwijl we ons vergapen aan de verbluffende mogelijkheden van generatieve AI, groeit in de coulissen een ongemakkelijke vraag: wat kost ons dit alles eigenlijk – energetisch?

Eén gegenereerde afbeelding verbruikt ongeveer evenveel energie als het volledig opladen van een iPhone. Een minuut AI-gegenereerde video komt overeen met tientallen oplaadbeurten. En dat is enkel om het AI-model te gebruiken. De training van grote taalmodellen vergde al energievolumes die vergelijkbaar zijn met het piekvermogen van een kerncentrale. Recentere modellen zoals Google’s Gemini Ultra zijn qua complexiteit nog 100x groter dan GPT-3, en dus ook +/- 100x meer energieverslindend.

Vandaag verbruikt de wereldwijde ICT-infrastructuur – inclusief datacenters voor AI-training, netwerken en toestellen voor AI-gebruik – ongeveer 10% van alle wereldwijd geproduceerde elektriciteit. Prognoses suggereren dat dit tegen 2030 zal oplopen tot 20%, vooral door de exponentiële groei van AI-toepassingen. Voeg daar nog het immense waterverbruik voor datacenterkoeling aan toe, en het plaatje wordt nog zorgwekkender.

AI is succesvol en dus here to stay. De vraag is of we haar groei blijven organiseren op een manier die steeds meer energie vraagt; waardoor we afstevenen op een energiecrisis, of…dat we een andere richting durven inslaan. 

De paradox van vooruitgang

AI wordt vaak gepositioneerd als deel van de oplossing voor klimaat- en energievraagstukken. Slimme software agenten, voorspellend onderhoud, geoptimaliseerde logistiek – de toepassingen zijn talrijk. Maar paradoxaal genoeg dreigt AI tegelijk een aanzienlijk deel van het probleem te worden.

We zien een exponentiële schaalvergroting in modelgrootte en rekenkracht. Waar vroeger elke twee jaar een verdubbeling plaatsvond, zien we sinds de cloudrevolutie een honderdvoudige toename per twee jaar in benodigde rekenkracht. Het credo “bigger is better” heeft geleid tot modellen met honderden miljarden tot biljoenen parameters.

Toch is groter niet per definitie efficiënter. Het gebruik van een generatief model om bijvoorbeeld filmrecensies te classificeren verbruikt tot dertig keer meer energie dan een gespecialiseerd model dat specifiek voor die aanbevelingstaak is ontworpen. Met andere woorden: we gebruiken vaak een kanon om op een mug te schieten.

Daarbovenop komt het rebound-effect: wanneer AI processen efficiënter maakt, leidt dat niet automatisch tot minder energieverbruik. Het kan net leiden tot méér productie, méér consumptie en dus méér totale energie-inzet. Efficiëntie zonder systeemverandering is geen garantie voor duurzaamheid.

AI kan dus tegelijk ‘energieverslinder’ én ‘klimaatoplosser’ zijn. Welke van de twee de bovenhand krijgt, hangt af van de keuzes die we vandaag maken. 

Tijd voor een "AI-Nutri-Score”

Wat vandaag vooral ontbreekt, is transparantie. We hebben energielabels voor huishoudtoestellen, CO₂-scores voor auto’s en nutri-scores voor voeding. Waarom niet voor algoritmes? Stel je een onafhankelijke AI-Nutri-Score voor: een gestandaardiseerde duurzaamheidsindex die algoritmes beoordeelt op energie-efficiëntie, waterverbruik, hardwarevereisten, herbruikbaarheid en openheid. Ik heb in mijn boek “Duurzame AI” (sustainable-ai.be) daarvoor een conceptueel kader met vijf criteria gedefinieerd: efficiëntie, energiebewustzijn, modulariteit, circulariteit en openheid.

Zo’n score zou bedrijven en overheden in staat stellen om bewuste keuzes te maken. Moet je voor deze taak echt een generatief model gebruiken? Is er een geoptimaliseerd alternatief? Hoeveel energie kost training versus dagelijks gebruik? Kortom, wat we meten, kunnen we verbeteren. 

Er is een alternatief pad

Het goede nieuws is dat de oplossingen niet hypothetisch zijn. Ze bestaan al – maar worden nog te weinig mainstream toegepast. 

Voor veel toepassingen zijn er slimmere oplossingen dan simpelweg ‘groter bouwen’. Modellen kunnen efficiënter worden ontworpen en specifieker worden ingezet. Niet elke taak vraagt een reusachtig generatief model dat draait op gigantische datasets en alles moet kunnen. Waarom miljoenen voorbeelden gebruiken als een model kan generaliseren op basis van enkele?

We kunnen ook beter nadenken over waar en wanneer berekeningen gebeuren. Moet alles ver weg in energieverslindende datacenters draaien? Of kan intelligentie dichter bij de gebruiker plaatsvinden, op lokale toestellen en op een door ons gekozen ideaal moment, waardoor datatransport en het energieverbruik aanzienlijk dalen? 

Daarnaast kunnen AI-systemen modulair worden opgebouwd: kleinere bouwstenen die alleen worden ingezet wanneer dat nodig is.  Zo vermijden we overdimensionering. Ook op hardwarevlak bestaan er keuzes. Chips kunnen energiezuiniger ontworpen worden. Componenten kunnen circulair worden gemaakt zodat we ze kunnen hergebruiken of minstens recycleren. Duurzaamheid al meenemen tijdens de ontwerpfase dus. 

Dit is geen utopie. Het is een strategische keuze. De vraag is dus niet of het kan, de vraag is of we het willen. 

Europa op een kruispunt

Grotere modellen, grotere datacenters, grotere investeringen… Europa hoeft de ingeslagen weg van Big Tech’s “AI for World Domination” niet blindelings te volgen. Als AI ons in een energiecrisis zal storten, dan is dat een gevolg van onze keuzes. En keuzes kunnen worden herzien. 

Europa heeft een sterke positie in AI- en chip-onderzoek. We hebben immers twee van de belangrijkste spelers die de toekomst van AI bepalen in onze achtertuin: imec & ASML. Zonder deze twee geen nieuwe generatie van AI-superchips. “Wanna play without them, Donald? Try us!” 

Europa moet haar unieke positie inzetten om een ander verhaal te durven schrijven. 

In plaats van mee te surfen op de schaalwedloop van Big Tech, kan Europa inzetten op kwaliteit en duurzaamheid. Inzetten op AI-systemen die minder energie verbruiken. Inzetten op technologie die van bij het ontwerp rekening houdt met circulariteit. Inzetten op duidelijke standaarden die transparantie afdwingen. 

Digitale soevereiniteit betekent meer dan dataopslag binnen de EU. Het betekent mee bepalen hoe de volgende generatie AI wordt ontworpen. Niet alleen sneller en groter, maar vooral slimmer en zuiniger. Het betekent investeren in onderzoek naar low-power AI, neuromorfe computing, federated learning en chiplet-design. 

Europa kan kiezen: klakkeloos volgen of richting geven.

Een oproep tot actie

De vraag is niet of AI systeemontwrichtend is. Dat is het reeds. De échte vraag is: kan AI ons doen kiezen voor groener in plaats van groter? 

Dat kan, maar alleen als we het succes van AI anders gaan definiëren. Blijven we haar succes meten in biljoenen parameters en marktkapitalisatie, of in maatschappelijke meerwaarde per verbruikte kilowattuur? 

AI kan een hefboom zijn voor duurzaamheid. Haar succes kan ons dwingen om slimmer te ontwerpen en bewuster te investeren. Maar dat gebeurt niet vanzelf. Dat vraagt om concrete keuzes. 

Het is tijd om afscheid te nemen van het dogma “bigger is better” en te evolueren naar “smarter is better”. Tijd om algoritmes te labelen op hun energie-impact. Tijd om onderzoek en innovatie te heroriënteren naar energiezuinige modellen. Tijd om Europa opnieuw op de kaart te zetten als pionier in duurzame, soevereine AI.

Want als we het roer nu niet omgooien, zou het succes van AI wel eens de brandstof kunnen worden van de volgende globale energiecrisis. En dat zou de grootste ironie van de nieuwe digitale eeuw zijn.

Erik Mannens is professor Semantische Intelligentie aan de Universiteit Gent en professor Duurzame AI aan de Universiteit Antwerpen. In zijn onderzoek focust hij op hoe artificiële intelligentie duurzamer, transparanter en maatschappelijk verantwoord kan worden ingezet. Hij leidde eerder grote onderzoeksteams rond data-science en AI en zet zich in voor open source, ethische AI en slimme digitale toepassingen. Hij is de auteur van het boek 'Duurzame AI'.